CN113553777B - 反无人机蜂群的防空部署方法、装置、设备和介质 - Google Patents

反无人机蜂群的防空部署方法、装置、设备和介质 Download PDF

Info

Publication number
CN113553777B
CN113553777B CN202111096036.0A CN202111096036A CN113553777B CN 113553777 B CN113553777 B CN 113553777B CN 202111096036 A CN202111096036 A CN 202111096036A CN 113553777 B CN113553777 B CN 113553777B
Authority
CN
China
Prior art keywords
weapon
unmanned aerial
air defense
aerial vehicle
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111096036.0A
Other languages
English (en)
Other versions
CN113553777A (zh
Inventor
王泽源
白亮
王昊冉
顾伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202111096036.0A priority Critical patent/CN113553777B/zh
Publication of CN113553777A publication Critical patent/CN113553777A/zh
Application granted granted Critical
Publication of CN113553777B publication Critical patent/CN113553777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请涉及反无人机蜂群的防空部署方法、装置、设备和介质，方法包括：获取无人机蜂群的探测跟踪数据；调用基于遗传算法的火力分配模型，根据探测跟踪数据对火力分配模型进行初始化；利用火力分配模型的适应度函数对全部染色体进行评价，计算并保存适应度值最大的目标染色体；采用轮盘赌选择算法对种群进行淘汰；根据交配概率从种群中选择染色体进行交配操作；根据变异概率从种群中选择染色体进行变异操作；将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案。实现了高效的反无人机防御部署方案规划。

Description

反无人机蜂群的防空部署方法、装置、设备和介质
技术领域
本发明属于反无人机技术领域，涉及一种反无人机蜂群的防空部署方法、装置、设备和介质。
背景技术
随着无人机技术和智能技术的不断发展，无人机在军事中的应用变得越来越广泛。在信息化作战条件下，无人机凭借其使用限制少、无人员伤亡、效费比高和隐蔽性好等特点发挥着越来越重要的作用。特别是随着蜂群作战等新式无人作战理念的提出，无人机在战争中的威胁不断增大，反无人机蜂群成为了重要研究课题。
蜂群战术是现有第三次抵消战略中五大支撑技术之一，其主要通过网络技术和智能算法控制大批无人机对敌方发动密集可控的智能作战，具有侦察攻击、规模作战、灵活重组和低成本作战效能等优势。目前大部分研究聚焦于无人机蜂群作战的战法研究，但对于反蜂群作战的相关研究较少且主要是定性研究，如基于无人机技术和蜂群行动规律，提出的侦、防、 扰、阻和打等手段相结合的反无人机蜂群思路。
目前反无人机蜂群主要采取探测跟踪、软杀伤和硬摧毁的方法。首先依托雷达、红外、无线电等进行探测跟踪，进而使用电子干扰、导航欺骗和链路夺控的方式对无人机蜂群进行软杀伤，最后利用高能微波、激光武器以及近距火炮对无人机实施硬摧毁。然而，在实现本发明的过程中，发明人发现目前针对反无人机蜂群作战，尚未有高效的防御部署方案规划方法。
发明内容
针对上述传统方法中存在的问题，本发明提出了一种反无人机蜂群的防空部署方法、一种反无人机蜂群的防空部署装置、一种计算机设备和一种计算机可读存储介质，可实现高效的反无人机防御部署方案规划。
为了实现上述目的，本发明实施例采用以下技术方案：
一方面，提供一种反无人机蜂群的防空部署方法，包括步骤：
获取无人机蜂群的探测跟踪数据；
调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；
利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标；
采用轮盘赌选择算法对种群进行淘汰；
根据设定的交配概率从种群中选择染色体进行交配操作；
根据设定的变异概率从种群中选择染色体进行变异操作；
将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；
当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。
另一方面，还提供一种反无人机蜂群的防空部署装置，包括：
探测数据模块，用于获取无人机蜂群的探测跟踪数据；
模型调用模块，用于调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；
染色体评价模块，用于利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标；
种群淘汰模块，用于采用轮盘赌选择算法对种群进行淘汰；
染色体交配模块，用于根据设定的交配概率从种群中选择染色体进行交配操作；
染色体变异模块，用于根据设定的变异概率从种群中选择染色体进行变异操作；
种群替换模块，用于将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；
进化输出模块，用于当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述反无人机蜂群的防空部署方法的步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述反无人机蜂群的防空部署方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述反无人机蜂群的防空部署方法、装置、设备和介质，通过首先获取来袭无人机蜂群的探测跟踪数据，然后调用构建的基于遗传算法的火力分配模型进行部署方案求解，从而高效获得针对性的有效防御部署方案。构建的基于遗传算法的火力分配模型考虑了对无人机蜂群确定的威胁评估指标，通过远距武器、中距武器和近距武器的协同部署，结合点杀伤武器、面杀伤武器协同配合的方式，利用遗传算法进行快速求解计算，最大限度保证被保卫目标设施的安全。该模型充分利用了层次分析法对较为主观的威胁与防御问题进行了量化，并且利用了遗传算法和尽远拦截策略，为保卫重要军事目标，进行反蜂群作战的防空武器位置部署提供了一种高效可行的解决方案，解决了目前针对反无人机蜂群作战，尚未有高效的防御部署方案规划方法的技术问题，达到了实现高效的反无人机防御部署方案规划的技术效果。
附图说明
图1为一个实施例中反无人机蜂群的防空部署方法的流程示意图；
图2为一个实施例中防空武器部署策略的示意图；
图3为一个实施例中的无人机蜂群攻击示意图；
图4为一个实施例中的遗传算法优化过程示意图；
图5为一个实施例中的防空系统击毁全部无人机所需时间与迭代次数的关系示意图；
图6为一个实施例中三种防空武器的最优部署示意图；
图7为一个实施例中反无人机蜂群的防空部署装置的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和／或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面将结合本发明实施例图中的附图，对本发明实施方式进行详细说明。
在防空武器的整体部署上，根据无人机蜂群存在的突然性强、数量多、伤害范围大等特点和现代战争非线式全纵深特点，通过不同防空武器间的合理配合，确保对无人机蜂群能够远程感知、精准拦截。同时，根据保护目标的重要程度和蜂群打击重点，结合防空武器的作用距离、作用方向和杀伤方式，将先进武器优先部署在进攻可能方向上，以增加对无人机蜂群的发现率和毁伤率。通过合理配置防空武器，形成立体、多维、高效的反无人机体系，从而充分发挥各防空武器的作战效能，达到反无人机蜂群袭扰的目的。
目前主要的防空武器有以下三种：1) 高能微波武器，又称为射频武器，是利用高功率微波束毁坏敌方的电子设备和杀伤战斗人员的一种定向能武器。具有作用距离远、杀伤面积大的特点，但价格昂贵、部署维护成本高。2) 高能激光武器，是用高能的激光对远距离的目标进行精确射击或用于防御导弹等的武器。具有精度高、速度快、成本低的特点，但是易受天气影响，作用距离相对较近。3) 近距火炮，如近防速射炮是一种较为传统的防空武器。具有射速高、性能稳定、成本较低等特点。
请参阅图1，本申请实施例提供了一种反无人机蜂群的防空部署方法，包括以下步骤S10至S24：
S10，获取无人机蜂群的探测跟踪数据；
S12，调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；
S14，利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标；
S16，采用轮盘赌选择算法对种群进行淘汰；
S18，根据设定的交配概率从种群中选择染色体进行交配操作；
S20，根据设定的变异概率从种群中选择染色体进行变异操作；
S22，将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；
S24，当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。
可以理解，无人机蜂群的探测跟踪数据可以但不限于包括无人机蜂群的无人机数量、飞行速度、飞行高度和飞行轨迹等数据，可以通过雷达、红外或无线电等探测手段进行探测跟踪而得到。
上述反无人机蜂群的防空部署方法，通过首先获取来袭无人机蜂群的探测跟踪数据，然后调用构建的基于遗传算法的火力分配模型进行部署方案求解，从而高效获得针对性的有效防御部署方案。构建的基于遗传算法的火力分配模型考虑了对无人机蜂群确定的威胁评估指标，通过远距武器、中距武器和近距武器的协同部署，结合点杀伤武器、面杀伤武器协同配合的方式，利用遗传算法进行快速求解计算，最大限度保证被保卫目标设施的安全。该模型充分利用了层次分析法对较为主观的威胁与防御问题进行了量化，并且利用了遗传算法和尽远拦截策略，为保卫重要军事目标，进行反蜂群作战的防空武器位置部署提供了一种高效可行的解决方案，解决了目前针对反无人机蜂群作战，尚未有高效的防御部署方案规划方法的技术问题，达到了实现高效的反无人机防御部署方案规划的技术效果。
相较于传统的反蜂群战法研究，本申请提出的方案具有定量化、可执行性强与防空效果好等优点，对未来要地防空的武器部署位置选择具有一定的指导意义。
在一个实施例中，上述的步骤S22之后，还可以包括步骤：
若新种群的最大适应度值大于目标染色体的适应度值，则用新种群中最大适应度值对应的染色体代替目标染色体，否则不更新目标染色体。
可以理解，计算新种群中各染色体的适应度值后，即可确定其最大适应度值对应的染色体。若判断新种群最大适应度值大于原有的种群的最大适应度值，也即大于当前的目标染色体的适应度值，则更新该目标染色体，即用新种群中的最大适应度值对应的染色体代替该目标染色体；否则，不对该目标染色体进行更新操作。如此，更有效地实现种群进化操作。
在一个实施例中，上述反无人机蜂群的防空部署方法还可以包括步骤：
当前进化代数加1后，若进化代数不超过设定的最大进化代数，则返回执行上述步骤S16。
可以理解，设定的最大进化代数可以根据实际应用中迭代输出结果的稳定情况、无人机蜂群规模或迭代时长确定。火力分配模型的算法结束条件为进化代数超过最大进化代数，若不满足结束条件则返回上述步骤S16，继续迭代求解。
在一个实施例中，基于遗传算法的火力分配模型在构建之前，目标威胁评估是部署防空武器的重要前提条件，其及时性与准确性直接影响到防空作战效能的有效发挥。在实际应用中，来袭的无人机类型、到我目标距离、到武器攻击区远界的时间和我目标重要度四个因素对目标威胁分析影响最大。
因此，目标威胁评估指标包括：来袭的无人机类型、到我目标距离、到武器攻击区远界的时间和我目标重要度。
具体的，到我目标距离：是指来袭无人机到被保卫目标（或称保卫目标）的距离。距离越小，说明其攻击意图越明确，因而威胁程度越大。来袭无人机对每一个被保卫目标均有相对应的距离。为了考虑对整体的影响，算法计算无人机对所有被保卫目标的距离均值。记
Figure 197646DEST_PATH_IMAGE001
为无人机
Figure 124145DEST_PATH_IMAGE002
对被保护目标
Figure 908430DEST_PATH_IMAGE003
的距离。那么无人机
Figure 336000DEST_PATH_IMAGE004
对
Figure 663077DEST_PATH_IMAGE005
的距离均值
Figure 790170DEST_PATH_IMAGE006
有：
Figure 405959DEST_PATH_IMAGE007
基于本领域已有相关文献资料，本实施例中建立的基于层次分析的目标威胁评估模型定义了目标距离的威胁隶属度为：
Figure 27434DEST_PATH_IMAGE008
其中，
Figure 677858DEST_PATH_IMAGE009
为距离，单位为
Figure 133110DEST_PATH_IMAGE010
。
到武器攻击区远界的时间：是指无人机到达防空武器系统攻击区远界与到达攻击目标的时间差，是无人机的一个动态属性。到武器攻击区远界的时间是由无人机目标飞行速度、飞行高度、与被袭目标之间的距离等参数估算得到的。到攻击区远界时间越长，武器系统能够有更充足的时间进行瞄准等准备工作，无人机的威胁程度也就越小；反之，若到武器攻击区远界的时间越短，射击准备时间就越短，威胁度也就越大。
因此，本实施例中定义到武器攻击区远界的时间的威胁程度为：
Figure 377141DEST_PATH_IMAGE011
其中，
Figure 412093DEST_PATH_IMAGE012
，
Figure 307236DEST_PATH_IMAGE013
为到武器攻击区远界的时间，单位为
Figure 871073DEST_PATH_IMAGE014
。
我目标重要度：在防空作战中，保卫区域通常包含多个重要度不同的目标，无人机所攻击的保卫目标重要度越大，其威胁越大。可通过判断来袭无人机进攻路线估测其攻击意图，进而得到被袭目标的重要度。在确定单一被袭目标之后，即以该被袭目标的重要度作为威胁指标值，若无人机对我保卫区内多个目标同时具有威胁，则根据航路角大小判断各受袭目标被攻击的可能性，进而综合得到被袭目标的总重要度。
威胁评估系数：根据本领域现有技术中提出的基于改进结构熵权法的目标威胁灰色综合评估方法，采用专家打分的方式，可以得出各威胁评估指标的重要性排序；进而采用层次分析法得出成对比较矩阵并进行一致性检验，可以计算得到各指标的权重系数：
Figure 523771DEST_PATH_IMAGE015
在一个实施例中，火力分配模型的火力分配原则为：
防空武器的使用状态包括火力准备阶段、火力瞄准阶段和火力打击阶段；
对于任意两个防空武器，若其中一个防空武器处于空闲状态，另一个防空武器处于使用状态，则选择处于空闲状态的防空武器用于攻击目标无人机；
对于任意两个均处于空闲状态的防空武器，分别计算两个防空武器在当前状态下经过使用状态消灭目标无人机所需的时间总和，选择时间总和最短的防空武器用于攻击目标无人机；
对于任意两个均处于使用状态的防空武器，分别计算两个防空武器在当前状态下消灭当前无人机后经过使用状态消灭目标无人机所需的时间总和，选择时间总和最短的防空武器用于攻击目标无人机；
防空武器的使用优先级为高能微波武器>高能激光武器>近防武器。
可以理解，由于存在单个无人机同时进入多个武器火力范围的问题，需明确武器、无人机一一对应的分配关系，防止防空武器群出现重复打击等情况。因此，模型制定了如上所示的火力分配原则。具体的：
1）武器使用状态包括火力准备阶段、火力瞄准阶段和火力打击阶段三种状态，其余时间武器处于空闲状态。
2）对于两个武器
Figure 470736DEST_PATH_IMAGE016
和
Figure 830173DEST_PATH_IMAGE017
，若
Figure 892807DEST_PATH_IMAGE016
处于空闲状态，
Figure 829539DEST_PATH_IMAGE017
处于使用状态，则选择
Figure 471873DEST_PATH_IMAGE016
进攻，反之亦然。
3）对于两个武器
Figure 826762DEST_PATH_IMAGE016
和
Figure 263560DEST_PATH_IMAGE017
，若二者均处于空闲状态，则计算当前状态下两个武器经过火力准备、火力瞄准、火力打击直至最后消灭无人机所需要的时间总和，选择时间更短的武器。
4）对于两个武器
Figure 625271DEST_PATH_IMAGE018
和
Figure 930351DEST_PATH_IMAGE017
，若二者均处于使用状态，则计算当前状态下，两个武器消灭当前无人机、经过火力准备、火力瞄准、火力打击直至最后消灭无人机所需要的时间总和，选择时间更短的武器。
5）对于三类武器的使用，优先级为：高能微波武器>高能激光武器>近防火炮。
在一个实施例中，火力分配模型的火力分配矩阵为
Figure 998801DEST_PATH_IMAGE020
：
Figure 403237DEST_PATH_IMAGE021
火力分配矩阵的行代表防空武器，列代表无人机，其中
Figure 829408DEST_PATH_IMAGE022
：
Figure 282386DEST_PATH_IMAGE023
火力分配矩阵的约束条件为：
Figure 533239DEST_PATH_IMAGE024
其中，
Figure 170894DEST_PATH_IMAGE026
表示防空武器的数量编号，
Figure 710460DEST_PATH_IMAGE027
表示无人机的数量编号。
可以理解，考虑
Figure 29445DEST_PATH_IMAGE028
个武器用于击毁
Figure 947854DEST_PATH_IMAGE027
架无人机，分配矩阵可用以表达武器-无人机的分配结果；此外，在一个分配结果中，同一架无人机只能被分配一个武器，因此采用前述的约束条件。
在一个实施例中，火力分配模型的基础矩阵包括：
重要度系数矩阵：
Figure 897355DEST_PATH_IMAGE029
其中，
Figure 455376DEST_PATH_IMAGE030
表示
Figure 905949DEST_PATH_IMAGE032
个保卫目标的重要度权重；
无人机生存状态矩阵：
Figure 803497DEST_PATH_IMAGE033
其中，
Figure 297802DEST_PATH_IMAGE034
表示第
Figure 608697DEST_PATH_IMAGE035
架无人机的生存状态值，取值为0代表阵亡，取值为1代表存活；
无人机与保卫目标的距离矩阵：
Figure 207169DEST_PATH_IMAGE036
其中，
Figure 21541DEST_PATH_IMAGE037
表示第
Figure 906320DEST_PATH_IMAGE038
架无人机与第
Figure 438933DEST_PATH_IMAGE040
个保卫目标的距离；
无人机与防空武器的距离矩阵：
Figure 982041DEST_PATH_IMAGE041
其中，
Figure 588603DEST_PATH_IMAGE042
表示第
Figure 441021DEST_PATH_IMAGE044
架无人机与第
Figure 460930DEST_PATH_IMAGE046
个防空武器之间的距离；
到武器攻击区远界的时间矩阵：
Figure 401204DEST_PATH_IMAGE047
其中，
Figure 190168DEST_PATH_IMAGE048
表示第
Figure 462756DEST_PATH_IMAGE049
架无人机到第
Figure 907643DEST_PATH_IMAGE051
个防空武器的武器攻击区远界的时间；
武器的反应时间矩阵：
Figure 776242DEST_PATH_IMAGE052
其中，
Figure 888555DEST_PATH_IMAGE053
表示第
Figure 489300DEST_PATH_IMAGE055
个防空武器消灭当前第
Figure 562430DEST_PATH_IMAGE056
架无人机（若该武器此时空闲，则此项时间为0）后，经过火力准备、火力瞄准和火力打击的使用状态，直至最后消灭第
Figure 110086DEST_PATH_IMAGE058
架无人机所需的时间总和。
其中，若无人机
Figure 935959DEST_PATH_IMAGE059
阵亡，即
Figure 707606DEST_PATH_IMAGE060
时，将武器的反应时间矩阵的相应列置为
Figure 392665DEST_PATH_IMAGE061
作为惩罚系数，使其大于任意一列，即：
Figure 852334DEST_PATH_IMAGE062
在一个实施例中，火力分配模型的火力分配算法为：
根据无人机与防空武器的距离矩阵，选出一个最小距离所对应的防空武器；
根据定义的打击优先函数为无人机进行防空武器分配；打击优先函数为
Figure 470398DEST_PATH_IMAGE063
：
Figure 616208DEST_PATH_IMAGE064
其中，
Figure 647618DEST_PATH_IMAGE066
表示取值范围为[0,1]的优先系数，
Figure 333814DEST_PATH_IMAGE068
表示无人机到武器攻击区远界的时间矩阵，
Figure 9646DEST_PATH_IMAGE069
表示武器的反应时间矩阵的元素，
Figure 201724DEST_PATH_IMAGE071
表示无人机的威胁程度。
可以理解，在此分配算法中，根据无人机与防空武器的距离、防空武器的预期（反应）时间、距离等因素为一架无人机分配武器，再对下一架无人机进行分配，重复上述操作，最终可以得到一个可行的分配方案。具体算法如下：
根据无人机与防空武器的距离矩阵
Figure 392534DEST_PATH_IMAGE073
，选出一个最小距离所对应的防空武器。定义距离为：
Figure 820105DEST_PATH_IMAGE074
当且仅当
Figure 412760DEST_PATH_IMAGE075
时为无人机
Figure 290586DEST_PATH_IMAGE076
分配武器，即距离武器近的无人机应当优先被分配。进而考虑距离、到武器攻击区远界的时间矩阵、被保卫目标的重要度、武器的反应时间四个指标去分析如何为该无人机
Figure 906375DEST_PATH_IMAGE077
分配武器。
前文实施例中分析了无人机的威胁程度为：
Figure 934374DEST_PATH_IMAGE078
需要注意的是，此处的
Figure 958700DEST_PATH_IMAGE079
表示的不再是无人机与保卫目标的距离，而是无人机与防空武器的距离。进而根据尽远拦截的指导思路和上述的防空武器分配策略（分配原则与矩阵等），本实施例定义的一个打击优先函数
Figure 617214DEST_PATH_IMAGE080
如本实施例前文所示。其中
Figure 782616DEST_PATH_IMAGE081
体现了武器反应时间最短原则优先于攻击期望
Figure 942202DEST_PATH_IMAGE083
最大原则的程度，取值范围为
Figure 181554DEST_PATH_IMAGE084
，可根据专家经验给出。
因此对于无人机
Figure 73286DEST_PATH_IMAGE085
，需要找出满足“最小
Figure 804613DEST_PATH_IMAGE086
准则”的
Figure 112098DEST_PATH_IMAGE087
所对应的武器
Figure 533852DEST_PATH_IMAGE088
，其中对于“最小
Figure 924382DEST_PATH_IMAGE090
准则”，有如下定义：
（1）根据三种防空武器的优先使用排序，优先考虑高能微波武器，其次高能激光武器（
Figure 736480DEST_PATH_IMAGE091
），最后近防武器（
Figure 175551DEST_PATH_IMAGE092
）。
（2）当
Figure 28976DEST_PATH_IMAGE093
或
Figure 200194DEST_PATH_IMAGE094
时，选择武器
Figure 561905DEST_PATH_IMAGE095
。
（3）当
Figure 601405DEST_PATH_IMAGE096
时，选择武器
Figure 935435DEST_PATH_IMAGE097
。
（4）非上述两种情况时，按照
Figure 339871DEST_PATH_IMAGE098
的大小排序选择相应的武器
Figure 267507DEST_PATH_IMAGE099
。
在一个实施例中，关于上述火力分配模型的遗传算法编码规则：待求解问题的可行解是一组部署方案，包括防空武器类型及确定的阵地部署位置，因此遗传算法的编码应为各防空武器的部署位置坐标。然而，在对不同防空武器的部署位置进行优化时，倘若同时以一个染色体进行编码，在遗传中进行交叉互换时会产生没有意义的交换，因此算法采用层层部署的方式对三种武器进行编码，也即按照高能微波武器、高能激光武器和近防火炮的顺序逐个进行优化，如图2所示。
假设在某防空要地我方部署的高能微波武器、高能激光武器和近防火炮数量分别为
Figure 55507DEST_PATH_IMAGE101
套，首先仅考虑高能微波武器，用
Figure 617944DEST_PATH_IMAGE102
来表示高能微波武器的坐标，那么一共有
Figure 724441DEST_PATH_IMAGE104
个变量，染色体数组为
Figure 139373DEST_PATH_IMAGE105
。
其次考虑高能激光武器，用
Figure 661621DEST_PATH_IMAGE106
来表示高能激光武器的坐标，那么一共有
Figure 94876DEST_PATH_IMAGE107
个变量
Figure DEST_PATH_IMAGE108
，染色体数组为
Figure DEST_PATH_IMAGE109
。
对于近防武器，用
Figure DEST_PATH_IMAGE110
表示
Figure DEST_PATH_IMAGE111
个近防速射武器的坐标，一共有
Figure DEST_PATH_IMAGE112
个变量，染色体数组为
Figure DEST_PATH_IMAGE113
。
算法的适应度函数：记某个染色体击毁无人机所需要的时间为：
Figure DEST_PATH_IMAGE114
此处算法选择击毁所有无人机的时间的倒数作为适应度函数，
Figure DEST_PATH_IMAGE116
越小，防护效果越好，适应度函数越大。
Figure DEST_PATH_IMAGE117
若存在某个子代的染色体没有击毁所有的无人机，就对该染色体击毁无人机的时间
Figure DEST_PATH_IMAGE118
中加入一个惩罚系数
Figure DEST_PATH_IMAGE119
，用以保证其适应度函数小于击毁所有无人机情况下的适应度函数。
算法求解的具体步骤示例如下：
算法采用层层部署的原则，对高能激光武器和近防武器进行部署。此处分成了两个染色体，针对两个染色体，先用遗传算法对激光武器的部署位置进行确定，再根据高能微波武器和高能激光武器的部署位置，通过遗传算法对近防武器的位置进行部署，最终得到最优的部署。具体的例如：
Step1确定初始种群的规模为80，当前进化代数为
Figure DEST_PATH_IMAGE120
；
Step2 用适应度函数对全部染色体进行评价，计算各染色体的适应度值，并保存适应度值最大的染色体
Figure DEST_PATH_IMAGE121
；
Step3 采用轮盘赌选择算法对种群进行淘汰；
Step4 根据交配概率
Figure DEST_PATH_IMAGE122
从种群中选择染色体进行交配操作；
Step5 根据变异概率
Figure DEST_PATH_IMAGE123
从种群中选择染色体进行变异操作；
Step6 将产生的新种群替换原有种群，并且计算新种群中各染色体的适应度值。若新种群的最大适应度值大于
Figure DEST_PATH_IMAGE124
的适应度值，则更新
Figure 605230DEST_PATH_IMAGE124
，用新种群中的最大适应度值对应的染色体代替
Figure 163250DEST_PATH_IMAGE124
，否则不更新；
Step7 当前进化代数
Figure DEST_PATH_IMAGE126
加1。算法结束条件为
Figure 817085DEST_PATH_IMAGE126
超过最大进化代数，若不满足结束条件，则返回步骤Step3。
可以理解，交配概率和变异概率的具体取值还可以根据实际应用需要选取为其他值，只要能够满足所需的计算效果即可。
在一个实施例中，为了更直观且全面地说明上述反无人机蜂群的防空部署方法，下面给出了其中一个应用上述反无人机蜂群的防空部署方法进行仿真实验的示例。
需要说明的是，本说明书中给出的实施示例仅为示意性的，并非为本发明具体实施方式的唯一限定，本领域技术人员可以在本发明提供的实施示例的示意下，同理采用上述提供的反无人机蜂群的防空部署方法，实现对不同应用场景下的实验与防御应用。
作战实验设定：敌96架小型无人机构成蜂群对我6个重要目标进行突袭，拟部署近防火炮及激光、高能微波3类武器进行防御。已知无人机飞行速度500
Figure DEST_PATH_IMAGE127
，飞行高度1000米，其飞行示意图如图3所示。
拟部署的高能微波武器、高能激光武器和近防火炮三类武器的性能如下：
(1)高能微波武器
该武器系统能同时跟踪8批目标，探测距离10000米，杀伤距离为6000米。系统跟踪目标和发射准备时间与目标距离成线性，距离越大准备时间越长。
(2)高能激光武器
高能激光武器最远作用距离4000米，最近作用距离500米，采用“点”杀伤的攻击方式，距离越大准备时间越长。
(3)近距速射炮武器
近防速射炮武器能同时跟踪12批空中目标，雷达探测高度6000米，对小型无人机的探测距离最远8000米。最大射程3000米，最小射程500米，拦截最大距离为2000米，且其对目标的拦截概率与距离成线性关系。
实验结果
根据上述作战实验设定以及基于遗传算法的火力分配模型（防空武器协同部署算法），对高能微波武器、高能激光武器和近防火炮的部署位置进行求解。首先根据防空武器优先部署策略对高能微波武器及高能激光武器的位置进行优化，优化过程如图4所示，当迭代次数大于250次时，高能微波武器及高能激光武器共同击落无人机数量平均值趋于稳定的74，此时这两种武器的部署位置达到最优。
而后将两种武器按照最优位置部署，进而基于遗传算法对近防武器部署位置进行优化。根据仿真结果可得，当加入全部近防武器后，可全部击落96架无人机，进一步可将防空系统击毁全部无人机所需时间作为适应函数进行优化，可得优化过程如图5所示，其中纵坐标的时间单位为秒（s）。
最终可得三种防空武器最优部署位置及重要目标位置示意如下图6所示，其中，纵坐标及横坐标分别表示（武器与重要目标）部署的位置坐标值，单位均为（米），图6中各圆点（最外围）分别表示各高能微波武器，三角点分别表示各高能激光武器，各圆点（图中心附近）分别表示各近距速射炮武器，圆圈部分表示相应近距速射炮武器的火力覆盖范围。
在本申请的研究中，充分利用层次分析法对较为主观的问题进行了量化，建立了目标威胁评估模型及防护效能模型，并利用遗传算法和尽远拦截策略得到了一种防空武器部署模型，为保卫重要军事目标，进行反蜂群作战的防空武器位置部署提供了一种可行的解决方案。相较现有反蜂群战法研究，本申请提出的方案具有定量化、可执行性强，防空效果好等优点，对未来要地防空的武器部署位置选择具有一定的指导意义。未来针对反蜂群作战，还可加强对无人机蜂群体系的研究，注重对无人机蜂群中的重要节点进行重点打击，从而可以进一步提升反蜂群作战效果。
应该理解的是，虽然图1流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图7，在一个实施例中，还提供一种反无人机蜂群的防空部署装置100，包括探测数据模块11、模型调用模块13、染色体评价模块15、种群淘汰模块17、染色体交配模块19、染色体变异模块21、种群替换模块23和进化输出模块25。其中，探测数据模块11用于获取无人机蜂群的探测跟踪数据。模型调用模块13用于调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式。染色体评价模块15用于利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标。种群淘汰模块17用于采用轮盘赌选择算法对种群进行淘汰。染色体交配模块19用于根据设定的交配概率从种群中选择染色体进行交配操作。染色体变异模块21用于根据设定的变异概率从种群中选择染色体进行变异操作。种群替换模块23用于将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值。进化输出模块25用于当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。
上述反无人机蜂群的防空部署装置100，通过各模块的协作，首先获取来袭无人机蜂群的探测跟踪数据，然后调用构建的基于遗传算法的火力分配模型进行部署方案求解，从而高效获得针对性的有效防御部署方案。构建的基于遗传算法的火力分配模型考虑了对无人机蜂群确定的威胁评估指标，通过远距武器、中距武器和近距武器的协同部署，结合点杀伤武器、面杀伤武器协同配合的方式，利用遗传算法进行快速求解计算，最大限度保证被保卫目标设施的安全。该模型充分利用了层次分析法对较为主观的威胁与防御问题进行了量化，并且利用了遗传算法和尽远拦截策略，为保卫重要军事目标，进行反蜂群作战的防空武器位置部署提供了一种高效可行的解决方案，解决了目前针对反无人机蜂群作战，尚未有高效的防御部署方案规划方法的技术问题，达到了实现高效的反无人机防御部署方案规划的技术效果。
在一个实施例中，上述反无人机蜂群的防空部署装置100还可以包括染色体更新模块，用于在新种群的最大适应度值大于目标染色体的适应度值时，用新种群中最大适应度值对应的染色体代替目标染色体，否则不更新目标染色体。
在一个实施例中，上述反无人机蜂群的防空部署装置100还可以包括模块，用于在当前进化代数加1后，当进化代数不超过设定的最大进化代数时，返回指示种群淘汰模块执行下一轮迭代处理。
关于基于反无人机蜂群的防空部署装置100的具体限定，可以参见上文中反无人机蜂群的防空部署方法的相应限定，在此不再赘述。上述反无人机蜂群的防空部署装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于本领域已有的各型计算分析设备。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如下处理步骤：获取无人机蜂群的探测跟踪数据；调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；采用轮盘赌选择算法对种群进行淘汰；根据设定的交配概率从种群中选择染色体进行交配操作；根据设定的变异概率从种群中选择染色体进行变异操作；将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。其中，火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标。
在一个实施例中，处理器执行计算机程序时还可以实现上述基于反无人机蜂群的防空部署方法各实施例中增加的步骤或者子步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如下处理步骤：获取无人机蜂群的探测跟踪数据；调用构建的基于遗传算法的火力分配模型，根据探测跟踪数据确定火力分配模型的初始种群规模并初始化当前进化代数；利用火力分配模型的适应度函数对全部染色体进行评价，计算各染色体的适应度值并保存适应度值最大的目标染色体；采用轮盘赌选择算法对种群进行淘汰；根据设定的交配概率从种群中选择染色体进行交配操作；根据设定的变异概率从种群中选择染色体进行变异操作；将产生的新种群替换原有的种群，计算新种群中各染色体的适应度值；当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；最优防空部署方案包括防空武器的类型及阵地部署位置。其中，火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；适应度函数为击毁所有无人机的时间的倒数，染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标。
在一个实施例中，计算机程序被处理器执行时，还可以实现上述基于反无人机蜂群的防空部署方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线式动态随机存储器（Rambus DRAM，简称RDRAM）以及接口动态随机存储器（DRDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种反无人机蜂群的防空部署方法，其特征在于，包括步骤：
获取无人机蜂群的探测跟踪数据；
调用构建的基于遗传算法的火力分配模型，根据所述探测跟踪数据确定所述火力分配模型的初始种群规模并初始化当前进化代数；所述火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；
利用所述火力分配模型的适应度函数对全部染色体进行评价，计算各所述染色体的适应度值并保存适应度值最大的目标染色体；所述适应度函数为击毁所有无人机的时间的倒数，所述染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标；
采用轮盘赌选择算法对种群进行淘汰；
根据设定的交配概率从所述种群中选择染色体进行交配操作；
根据设定的变异概率从所述种群中选择染色体进行变异操作；
将产生的新种群替换原有的所述种群，计算所述新种群中各染色体的适应度值；
当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；所述最优防空部署方案包括防空武器的类型及阵地部署位置；
所述火力分配模型的火力分配算法为：
根据无人机与防空武器的距离矩阵，选出一个最小距离所对应的防空武器；
根据定义的打击优先函数为无人机进行防空武器分配；所述打击优先函数为
Figure 568333DEST_PATH_IMAGE001
：
Figure 644743DEST_PATH_IMAGE002
其中，
Figure 648471DEST_PATH_IMAGE003
表示取值范围为[0,1]的优先系数，
Figure 761920DEST_PATH_IMAGE004
表示无人机到武器攻击区远界的时间矩阵，
Figure 93676DEST_PATH_IMAGE005
表示武器的反应时间矩阵的元素，
Figure 583563DEST_PATH_IMAGE006
表示无人机的威胁程度。
2.根据权利要求1所述的反无人机蜂群的防空部署方法，其特征在于，将产生的新种群替换原有的所述种群，计算所述新种群中各染色体的适应度值的步骤后，还包括：
若所述新种群的最大适应度值大于所述目标染色体的适应度值，则用所述新种群中最大适应度值对应的染色体代替所述目标染色体，否则不更新所述目标染色体。
3.根据权利要求1或2所述的反无人机蜂群的防空部署方法，其特征在于，所述方法还包括：
当前进化代数加1后，若进化代数不超过设定的所述最大进化代数，则返回执行所述采用轮盘赌选择算法对种群进行淘汰的步骤。
4.根据权利要求3所述的反无人机蜂群的防空部署方法，其特征在于，所述火力分配模型的火力分配原则为：
防空武器的使用状态包括火力准备阶段、火力瞄准阶段和火力打击阶段；
对于任意两个防空武器，若其中一个防空武器处于空闲状态，另一个防空武器处于使用状态，则选择处于空闲状态的防空武器用于攻击目标无人机；
对于任意两个均处于空闲状态的防空武器，分别计算两个防空武器在当前状态下经过使用状态消灭目标无人机所需的时间总和，选择时间总和最短的防空武器用于攻击目标无人机；
对于任意两个均处于使用状态的防空武器，分别计算两个防空武器在当前状态下消灭当前无人机后经过使用状态消灭目标无人机所需的时间总和，选择时间总和最短的防空武器用于攻击目标无人机；
防空武器的使用优先级为高能微波武器>高能激光武器>近防武器。
5.根据权利要求3所述的反无人机蜂群的防空部署方法，其特征在于，所述火力分配模型的火力分配矩阵为
Figure 566431DEST_PATH_IMAGE007
：
Figure 116361DEST_PATH_IMAGE008
所述火力分配矩阵的行代表防空武器，列代表无人机，其中
Figure 794467DEST_PATH_IMAGE009
：
Figure 963412DEST_PATH_IMAGE010
所述火力分配矩阵的约束条件为：
Figure 410573DEST_PATH_IMAGE011
其中，
Figure 396984DEST_PATH_IMAGE012
表示防空武器的数量编号，
Figure 952599DEST_PATH_IMAGE013
表示无人机的数量编号。
6.根据权利要求1所述的反无人机蜂群的防空部署方法，其特征在于，所述火力分配模型的基础矩阵包括：
重要度系数矩阵：
Figure 784289DEST_PATH_IMAGE014
其中，
Figure 85957DEST_PATH_IMAGE015
表示
Figure 118635DEST_PATH_IMAGE016
个保卫目标的重要度权重；
无人机生存状态矩阵：
Figure 771334DEST_PATH_IMAGE017
其中，
Figure 534278DEST_PATH_IMAGE018
表示第
Figure 221611DEST_PATH_IMAGE019
架无人机的生存状态值，取值为0代表阵亡，取值为1代表存活；
无人机与保卫目标的距离矩阵：
Figure 284245DEST_PATH_IMAGE020
其中，
Figure 34026DEST_PATH_IMAGE021
表示第
Figure 738677DEST_PATH_IMAGE019
架无人机与第
Figure 14938DEST_PATH_IMAGE022
个保卫目标的距离；
无人机与防空武器的距离矩阵：
Figure 373107DEST_PATH_IMAGE023
其中，
Figure 397DEST_PATH_IMAGE024
表示第
Figure 712001DEST_PATH_IMAGE019
架无人机与第
Figure 249293DEST_PATH_IMAGE022
个防空武器之间的距离；
到武器攻击区远界的时间矩阵：
Figure 653729DEST_PATH_IMAGE025
其中，
Figure 892950DEST_PATH_IMAGE026
表示第
Figure 408245DEST_PATH_IMAGE019
架无人机到第
Figure 924677DEST_PATH_IMAGE022
个防空武器的武器攻击区远界的时间；
武器的反应时间矩阵：
Figure 375381DEST_PATH_IMAGE027
其中，
Figure 977263DEST_PATH_IMAGE028
表示第
Figure 296249DEST_PATH_IMAGE029
个防空武器消灭当前第
Figure 526242DEST_PATH_IMAGE030
架无人机后，经过使用状态消灭第
Figure 538061DEST_PATH_IMAGE031
架无人机所需的时间总和。
7.一种反无人机蜂群的防空部署装置，其特征在于，包括：
探测数据模块，用于获取无人机蜂群的探测跟踪数据；
模型调用模块，用于调用构建的基于遗传算法的火力分配模型，根据所述探测跟踪数据确定所述火力分配模型的初始种群规模并初始化当前进化代数；所述火力分配模型采用的编码方式为按照从高能微波武器、高能激光武器到近防武器的顺序逐个优化的层层部署方式；
染色体评价模块，用于利用所述火力分配模型的适应度函数对全部染色体进行评价，计算各所述染色体的适应度值并保存适应度值最大的目标染色体；所述适应度函数为击毁所有无人机的时间的倒数，所述染色体包括高能微波武器的坐标、高能激光武器的坐标和近防武器的坐标；
种群淘汰模块，用于采用轮盘赌选择算法对种群进行淘汰；
染色体交配模块，用于根据设定的交配概率从所述种群中选择染色体进行交配操作；
染色体变异模块，用于根据设定的变异概率从所述种群中选择染色体进行变异操作；
种群替换模块，用于将产生的新种群替换原有的所述种群，计算所述新种群中各染色体的适应度值；
进化输出模块，用于当前进化代数加1后，若进化代数超过设定的最大进化代数，则输出最优防空部署方案；所述最优防空部署方案包括防空武器的类型及阵地部署位置；
模型调用模块还用于根据无人机与防空武器的距离矩阵，选出一个最小距离所对应的防空武器；
根据定义的打击优先函数为无人机进行防空武器分配；所述打击优先函数为
Figure 96081DEST_PATH_IMAGE032
：
Figure 359703DEST_PATH_IMAGE033
其中，
Figure 319569DEST_PATH_IMAGE034
表示取值范围为[0,1]的优先系数，
Figure 236709DEST_PATH_IMAGE035
表示无人机到武器攻击区远界的时间矩阵，
Figure 934888DEST_PATH_IMAGE036
表示武器的反应时间矩阵的元素，
Figure 861256DEST_PATH_IMAGE037
表示无人机的威胁程度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的反无人机蜂群的防空部署方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的反无人机蜂群的防空部署方法的步骤。
CN202111096036.0A 2021-09-18 2021-09-18 反无人机蜂群的防空部署方法、装置、设备和介质 Active CN113553777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111096036.0A CN113553777B (zh) 2021-09-18 2021-09-18 反无人机蜂群的防空部署方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111096036.0A CN113553777B (zh) 2021-09-18 2021-09-18 反无人机蜂群的防空部署方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN113553777A CN113553777A (zh) 2021-10-26
CN113553777B true CN113553777B (zh) 2021-11-30

Family

ID=78134684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111096036.0A Active CN113553777B (zh) 2021-09-18 2021-09-18 反无人机蜂群的防空部署方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113553777B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111581878B (zh) * 2020-04-28 2022-09-02 中国人民解放军国防科技大学 基于改进pso算法的开阔地反无人机火力部署方法
CN115695209B (zh) * 2022-09-23 2024-06-07 西安电子科技大学 基于图模型的反制无人机蜂群评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416441A (zh) * 2018-05-10 2018-08-17 华中科技大学 一种基于遗传算法的舰船对岸打击火力分配方法
CN109242290A (zh) * 2018-08-28 2019-01-18 北京航空航天大学 一种无人机群行动方案自动生成方法
CN110377048A (zh) * 2019-06-26 2019-10-25 沈阳航空航天大学 一种基于遗传算法的无人机群防御部署方法
CN110991119A (zh) * 2019-12-13 2020-04-10 中国人民解放军火箭军工程大学 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法
CN111428631A (zh) * 2020-03-23 2020-07-17 中南大学 无人机飞控信号可视化识别分选方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106508027B (zh) * 2010-04-02 2014-03-05 中国人民解放军国防科学技术大学 基于遗传算法的部署图点军标自动避让方法
US10730626B2 (en) * 2016-04-29 2020-08-04 United Parcel Service Of America, Inc. Methods of photo matching and photo confirmation for parcel pickup and delivery
US20210240891A1 (en) * 2020-01-14 2021-08-05 North Carolina Agricultural And Technical State University Automatic testing tool for testing autonomous systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416441A (zh) * 2018-05-10 2018-08-17 华中科技大学 一种基于遗传算法的舰船对岸打击火力分配方法
CN109242290A (zh) * 2018-08-28 2019-01-18 北京航空航天大学 一种无人机群行动方案自动生成方法
CN110377048A (zh) * 2019-06-26 2019-10-25 沈阳航空航天大学 一种基于遗传算法的无人机群防御部署方法
CN110991119A (zh) * 2019-12-13 2020-04-10 中国人民解放军火箭军工程大学 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法
CN111428631A (zh) * 2020-03-23 2020-07-17 中南大学 无人机飞控信号可视化识别分选方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOASM: Anomalous Sub-trajectory Monitoring Of Moving Objects Over Trajectory Streams;Liang Bai等;《2019 5th International Conference on Big Data and Information Analytics》;20191231;全文 *
一种基于遗传算法的防空火力分配方案;徐志伟等;《兵工自动化》;20090228;第28卷(第2期);第25-26、29页 *

Also Published As

Publication number Publication date
CN113553777A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN106779210B (zh) 基于蚁群算法的火力分配方法
CN113553777B (zh) 反无人机蜂群的防空部署方法、装置、设备和介质
CN107832885B (zh) 一种基于自适应迁移策略bbo算法的舰艇编队火力分配方法
CN109472043B (zh) 一种随伴炮兵连的自主射击决策方法
CN108318032A (zh) 一种考虑攻防对抗的无人机航迹智能规划方法
Hu et al. Improved Ant Colony Optimization for Weapon‐Target Assignment
US20150199623A1 (en) Method for resource allocation in mission planning
CN110991119A (zh) 基于pso-ga混合算法的末端防御武器系统兵力部署优化方法
CN108427286A (zh) 用于强对抗环境下无人机深度决策的训练方法及训练网络
Jankovic Computer Simulation of an Armoured Battalion Swarming.
Chen et al. Auction algorithm approaches for dynamic weapon target assignment problem
CN116090356A (zh) 基于任务可靠性约束的异构弹群多目标任务规划方法
CN114091255B (zh) 一种舰炮对陆间接射击火力毁伤评估仿真方法
CN110986680A (zh) 一种城市环境中低慢小目标的复合拦截方法
CN116088572A (zh) 基于自适应灰狼优化算法的无人机协同攻击多目标任务分配方法
CN114047761A (zh) 基于编队跨平台资源调度的弹性杀伤网构建方法及装置
Xue et al. Optimization method for coordination deployment of air defense system based on improved genetic algorithm
CN109447398B (zh) 一种炮兵团的智能射击决策方法
Jia et al. Heterogeneous Interception Equipment Deployment Method Based on Heuristic Optimization Algorithm
Chen et al. Research on multiple kill vehicles firepower distribution strategy based on adjust genetic algorithm
SHAMAMI et al. A HYBRID BA-VNS ALGORITHM FOR SOLVING THE WEAPON TARGET ASSIGNMENT CONSIDERING MOBILITY OF RESOURCES.
CN116822368A (zh) 基于改进遗传算法的高效任务分配方法
Zhou et al. An improved discrete shuffled frog leaping algorithm for cooperative multi-target assignment of bvr air combat
CN117829532A (zh) 一种装甲装备超视距打击网络协同火力分配方法
CN117314195A (zh) 一种基于智能算法的防御作战配系优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant